Por Petra Pastl
Os pesquisadores do Centro de Estudos e Ensaios em Risco e Modelagem Ambiental (Ceerma) da Universidade Federal de Pernambuco (UFPE), Caio Bezerra Souto Maior (Centro Acadêmico do Agreste – CAA); Lavínia Maria Mendes Araújo; Isis Didier Lins; e Márcio das Chagas Moura, junto a Enrique López Droguett, da University of California – Los Angeles (UCLA) desenvolveram uma nova abordagem baseada em Quantum Machine Learning (QML) para diagnosticar falhas em rolamentos de equipamentos rotativos. A proposta envolve o uso de modelos híbridos, que combinam parâmetros de circuitos quânticos com uma rede neural clássica, o Multi-Layer Perceptron (MLP), para encontrar componentes críticos em equipamentos rotativos a partir de sinais de vibração. A pesquisa teve como objetivo aprimorar a manutenção preditiva em máquinas e equipamentos, visando evitar falhas e paralisações. Confira aqui o artigo publicado.
As máquinas rotativas são sistemas de Engenharia essenciais da contemporaneidade na indústria, e são utilizadas em diversos contextos, como nas indústrias de petróleo e gás, aeroespacial e automotiva, mas frequentemente sofrem falhas em seus rolamentos, que correspondem a cerca de 40% em motores elétricos. A análise de vibração se tornou o padrão do setor para avaliar a condição de rolamentos e outras máquinas rotativas. Equipamentos e componentes podem ser melhor protegidos contra quebras se problemas de rolamento puderem ser reconhecidos com rapidez e precisão. O diagnóstico inteligente tradicional de falhas nesses equipamentos envolve a extração de recursos usando métodos de processamento de sinal e classificação de falhas por meio de abordagens de Machine Learning (ML) e Deep Learning (DL).
A pesquisa utilizou duas bases de dados de diferentes níveis de complexidade, chamadas CWRU (Case Western Reserve University) e JNU (Jiangnan University), com dez e 12 modos de falha, respectivamente. Para cada configuração de circuito quântico parametrizado (Parameterized Quantum Circuit – PQC), foram avaliados os efeitos do número de camadas (1, 5 e 10). O estudo constatou que todos os modelos QML apresentaram maior precisão do que o MLP clássico para ambas as bases de dados. A pesquisa sugere que, apesar das limitações atuais do ambiente quântico, os modelos QML são ferramentas promissoras para serem investigadas ainda mais na gestão de saúde e prognóstico de máquinas.
Embora ainda haja muitas limitações em termos de capacidade computacional de programas quânticos, o estudo abre caminho para o uso da QML em engenharia de confiabilidade, específica para o diagnóstico de falhas em componentes de máquinas rotativas, que são amplamente utilizadas em diferentes setores industriais, como a indústria de petróleo e gás. A QML é uma estratégia promissora para lidar com características extraídas de séries temporais de conjuntos de sensores múltiplos para diagnóstico de estado de saúde de sistemas complexos, e sua boa performance pode ser competitiva para estudos de engenharia de confiabilidade.
Neste trabalho, os pesquisadores descobriram que usar modelos quânticos de aprendizado de máquina é uma boa maneira de detectar problemas em equipamentos com base em sinais de vibração. Eles testaram diferentes modelos em duas bases de dados diferentes e descobriram que os modelos quânticos tiveram um desempenho melhor do que os modelos clássicos de aprendizado de máquina. Para futuros estudos, os pesquisadores sugerem explorar diferentes tipos de equipamentos, além das máquinas rotativas, e de fatores estressores, além da vibração, como a temperatura, e adicionalmente usar outras configurações de circuitos quânticos. Eles também sugerem testar diferentes métodos de retropropagação para obter informações mais valiosas.
Fonte: ASCOM-UFPE.
Mais informações
Professora Isis Didier Lins
isis.lins@ufpe.br
Nenhum comentário